BenchLeader

SWE-bench Verified (bash only) 排行榜

截至 2026年11月16日,SWE-bench Verified (bash only) 的最高分为 76.8%,由 Claude Opus 4.5(Anthropic)取得,领先于 Gemini 3 Flash(75.8%)。共有 46 个模型配置公布了结果(SWE-bench,结果日期 2026年2月17日)。SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。SWE-bench Verified (bash only) 计入 BenchLeader Index 的编程得分。

要点(截至 2026年11月16日)

  • Claude Opus 4.5 以 76.8% 保持 SWE-bench Verified (bash only) 最高分(SWE-bench,2026年2月17日)。
  • Gemini 3 Flash 以 75.8% 位列 SWE-bench Verified (bash only) 第二(SWE-bench,2026年2月17日)。
  • SWE-bench Verified (bash only):使用极简 bash-only mini-SWE-agent 框架得到的 SWE-bench Verified 官方结果(SWE-bench)。
  • BenchLeader 上有 46 个模型配置公布了 SWE-bench Verified (bash only) 结果(BenchLeader,2026年11月16日)。
  • SWE-bench Verified (bash only) 计入 BenchLeader Index 的编程类别(BenchLeader 方法论)。

使用极简 bash-only mini-SWE-agent 框架得到的 SWE-bench Verified 官方结果。

发布方
SWE-bench
类别
编程
Index 权重
1.0
模型
46
数据截至
2026年11月16日

SWE-bench (Jimenez et al. 2024), swebench.com.

测试内容

SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。

评分方式

解决 issue 的百分比。本排行榜采用 SWE-bench 维护者自己运行的极简 mini-SWE-agent 脚手架(只用 bash),所以每个模型使用的是同一个简单的智能体循环。

注意事项

结果高度依赖智能体脚手架:同一个模型换用更完善的测试框架,得分可能高出十五分,因此另设一个任意脚手架的排行榜。所有任务都是 Python,而且这些仓库广为人知,存在一定的记忆可能。

46 / 46
#
1Claude Opus 4.5high76.8%59.7mini-SWE-agent$376.952026-02-17
2Gemini 3 Flashhigh75.8%57.4mini-SWE-agent$177.982026-02-17
3MiniMax M2.5high75.8%–mini-SWE-agent$36.642026-02-17
4Claude Opus 4.675.6%62.1mini-SWE-agent$275.762026-02-17
5Claude Opus 4.5medium74.4%–mini-SWE-agent$360.622025-11-24
6Gemini 3 Pro74.2%60.0mini-SWE-agent$229.982025-11-18
7GPT-5.2-Codex72.8%57.6mini-SWE-agent$224.712026-02-19
8GPT-5.2high72.8%55.8mini-SWE-agent$236.782026-02-17
9GLM-5high72.8%–mini-SWE-agent$267.192026-02-17
10Claude Sonnet 4.5high71.4%57.9mini-SWE-agent$328.952026-02-17
11Kimi K2.5high70.8%–mini-SWE-agent$73.282026-02-17
12Claude Sonnet 4.570.6%53.8mini-SWE-agent$279.172025-09-29
13DeepSeek V3.2high70.0%54.2mini-SWE-agent$223.922026-02-17
14Gemini 3 Prohigh69.6%60.0mini-SWE-agent$480.012026-02-26
15GPT-5.269.0%56.7mini-SWE-agent$134.832025-12-11
16Claude Opus 467.6%51.9mini-SWE-agent$565.642025-08-02
17Claude Haiku 4.5high66.6%–mini-SWE-agent$165.462026-02-17
18GPT-5.1medium66.0%52.4mini-SWE-agent$153.082025-11-20
19GPT-5.1-Codexmedium66.0%–mini-SWE-agent$294.442025-11-24
20GPT-5medium65.0%59.0mini-SWE-agent$140.192025-08-07
21Claude Sonnet 464.9%50.0mini-SWE-agent$185.732025-07-26
22Kimi K2 Thinkingthinking63.4%52.3mini-SWE-agent$219.152025-12-10
23MiniMax-M261.0%51.5mini-SWE-agent$214.132025-11-24
24DeepSeek V3.2 Reasoner60.0%–mini-SWE-agent$14.042025-12-01
25GPT-5 minimedium59.8%53.6mini-SWE-agent$17.742025-08-07
26o358.4%60.4mini-SWE-agent$166.832025-07-26
27Devstral Small 256.4%39.4mini-SWE-agent–2025-12-09
28GPT-5 mini56.2%56.6mini-SWE-agent$23.602026-02-17
29GLM-4.655.4%50.2mini-SWE-agent$48.312025-12-01
30Qwen3 Coder 480B55.4%48.9mini-SWE-agent$123.962025-08-02
31GLM-4.554.2%51.6mini-SWE-agent$148.602025-08-22
32Devstral 253.8%42.7mini-SWE-agent–2025-12-09
33Gemini 2.5 Pro53.6%55.2mini-SWE-agent$144.192025-07-26
34Claude 3.7 Sonnet52.8%49.2mini-SWE-agent$177.312025-07-20
35o4-mini45.0%55.2mini-SWE-agent$104.992025-07-26
36Kimi K243.8%51.1mini-SWE-agent$265.802025-08-07
37GPT-4.139.6%48.7mini-SWE-agent$73.162025-07-26
38GPT-5 nanomedium34.8%45.6mini-SWE-agent$19.042025-08-07
39Gemini 2.5 Flash28.7%52.4mini-SWE-agent$66.942025-07-26
40gpt-oss-120b26.0%46.1mini-SWE-agent$28.562025-08-07
41GPT-4.1 mini23.9%44.7mini-SWE-agent$217.582025-07-20
42GPT-4o21.6%42.8mini-SWE-agent$765.572025-07-20
43Llama 4 Maverick21.0%41.8mini-SWE-agent$156.852025-07-20
44Gemini 2.0 Flash13.5%43.5mini-SWE-agent–2025-07-26
45Llama 4 Scout9.1%38.2mini-SWE-agent$57.822025-07-20
46Qwen2.5 Coder 32B Instruct9.0%42.5mini-SWE-agent$34.062025-08-03

更多编程基准测试 · 全部大模型基准测试

引用格式:BenchLeader,《SWE-bench Verified (bash only) 排行榜》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/swe_bench_verified。

SWE-bench Verified (bash only):常见问题

SWE-bench Verified (bash only) 衡量的是什么?
SWE-bench Verified 包含 500 个来自热门 Python 仓库的真实 GitHub issue,每个都经过人工标注员筛选,确保任务描述清楚、测试公平。模型阅读 issue 并修改仓库,只有隐藏测试全部通过,补丁才算被接受。分数以完成任务的百分比表示,越高越好。
SWE-bench Verified (bash only) 的最高分是多少?
截至 2026年11月16日,SWE-bench Verified (bash only) 的最高分为 76.8%,由 Claude Opus 4.5 取得(结果日期 2026年2月17日),领先于 Gemini 3 Flash(75.8%)。分数来自 SWE-bench,每天重新读取。
哪个 AI 模型在 SWE-bench Verified (bash only) 上领先?
截至 2026年11月16日,SWE-bench Verified (bash only) 排名第一的是 Claude Opus 4.5,分数为 76.8%(结果日期 2026年2月17日)。其后为 Gemini 3 Flash(75.8%)。
有多少模型有 SWE-bench Verified (bash only) 结果?
BenchLeader 上有 46 个模型配置有 SWE-bench Verified (bash only) 结果,全部取自 SWE-bench。
SWE-bench Verified (bash only) 由谁运行,多久更新一次?
SWE-bench Verified (bash only) 由 SWE-bench 发布。BenchLeader 每天重新读取一次公布的结果,并记录每个结果的发布日期。
SWE-bench Verified (bash only) 是否计入 BenchLeader Index?
计入。SWE-bench Verified (bash only) 计入 BenchLeader Index 的编程类别,并经过归一化,使参评模型的平均值为 50。